9篇关于神经协同过滤的计算机毕业论文

今天分享的是关于神经协同过滤的9篇计算机毕业论文范文, 如果你的论文涉及到神经协同过滤等主题,本文能够帮助到你

基于自注意力机制和神经协同过滤的旅游群组推荐

这是一篇关于旅游推荐,群组推荐,自注意力机制,神经协同过滤的论文, 主要内容为移动互联网的高速发展在4G、5G时代体现出了极强的适应性,为人们日常生活水平的提高提供了强有力的技术加持。在旅游业中,各大旅游网站通过采集吃住行相关的兴趣点信息供用户预订选择,用户在此信息网络中可以充分利用各种数据为出行提供决策依据,但不可避免的也有由于数据量过于庞大而导致用户无法高效选择的问题。推荐系统在众多商业领域展现出其显著的高效优势,但在旅游业的应用还有待研究和拓展。近年来,越来越多的用户以旅游团的方式出行,推荐对象由用户升级为群组,如何去合理高效地聚焦、匹配旅游群组,是进行精准推荐的核心数据预处理工作。此外,相较于传统个性化推荐系统,面向用户的推荐只需考虑个人历史交互信息,而面向群组的推荐不仅面临历史交互数量的增加,还需考虑如何融合群组成员的偏好来预测群组决策,尽可能提高整体满意度。现有的群组推荐系统在融合成员偏好时,多采用静态的、预定义的策略来进行浅层次的评分融合,这极大地增加了群内成员差异性过大导致最终结果满意度过低的风险。除了要认识到不同成员之间的差异性,还应充分考虑到用户的历史交互项对其偏好精准表达的影响,以及不同成员在加入特定群组时对当前候选景点选择的话语权,这个过程是动态、具有交互影响性的,从而才能有效应对稀疏数据集和用户冷启动的问题。本文针对以上问题,以旅游群组推荐系统为目标,开展深入的研究,主要的内容与创新点如下:(1)针对旅游群组用户具有众多不同风格的特点,本文提出一种用户自适应的旅游群组发现算法。应用局部异常点检测方法(Local Outier Factor,LOF)分割离群用户与非离群用户,然后在非离群用户集依次确定初始群组中心、k-means聚类,最后依据一定的标准,确定异常点的群组,完成群组发现。(2)针对旅游群组推荐系统具有动态学习成员偏好和海量数据计算的需求,本文提出一种基于自注意力机制的旅游群组推荐模型(Self-Attention-Based Tour Group Recommendation,SATGR)。该模型首先设计一个两层的神经注意力网络来学习群组中不同成员的个性偏好,当组与不同的项目交互时,既能够根据单个用户历史交互信息学习到其定制偏好向量,还能在模拟群组决策时,根据不同用户历史经验对决策的影响性,为不同用户分配特定的权重,动态调整群体的聚集策略。此外,还应有效利用用户-项交互数据来提高群组推荐的性能。为了在海量数据中捕捉群体决策的复杂过程,本文将原始用户项交互和学习到的组项交互同时输入至神经协同过滤(Neural Collaborative Filtering,NCF)框架,通过这种方式,不仅可以提高两个任务的性能,解决信息过载和动态建模问题,而且还可以通过利用群组数据为没有历史个人行为的冷启动用户提供建议。实验结果表明,自适应群组发现算法相较于随机群组划分方法能有更佳的推荐效果,同时,本文提出的SATGR模型相较于传统的基准推荐模型,在两个数据集(Mafengwo、Foursquare)的 HR 指标上分别提升了 3.83%和 3.02%,NDCG 指标上分别提升了 4.54%和5.64%,从而有效地证明了该旅游群组推荐模型能同时从项目级别和用户级别考虑对群组决策的影响力差异,动态性地聚合不同旅游群组在面对不同候选景点时的偏好,从而更精准地表达旅游群组偏好特征,借助神经协同过滤框架实现旅游群组的动态推荐。

基于图注意力网络的群组活动推荐算法研究与实现

这是一篇关于活动推荐,群组推荐,神经协同过滤,注意力机制,图神经网络的论文, 主要内容为近年来,随着物质生活的日益丰富和互联网的飞速发展,基于活动的社交网络(event-based social network,EBSN)吸引了越来越多的注意力。用户可以在线上结识朋友、加入群组,相约在线下参与实际活动。但是,EBSN中海量的活动让用户目不暇接,带来了严重的信息过载问题。而活动推荐系统正是缓解这种信息过载问题的有效途径。由于活动推荐面临着严重的冷启动问题,因此需要充分挖掘、利用各种上下文信息。此外,用户往往以群组的形式参与活动,例如去餐厅就餐、观看电影、旅游出行等,需要研究群组推荐技术来统筹兼顾多个用户的偏好。因此,本文主要研究基于图注意力网络的群组活动推荐算法,主要内容如下:(1)提出了一种针对活动的神经协同过滤模型NCFE,通过多种方式细粒度地提取活动丰富的上下文特征,然后引入了注意力机制来调整不同上下文特征的权重,并设计了特征交叉层来捕捉用户和多种活动上下文之间的关系。在Meetup数据集中两个城市上的实验表明,NCFE有效地提升了推荐的召回率和NDCG。(2)提出了一种UDA模型来进行群组推荐。使用关系型注意力核函数显式地对群组中的不同成员进行比较。每个用户都在目标项目的指导下与其他用户进行了比较,并利用多层神经网络来施加非线性变换。此外还提出了 4种用户关系型核函数来模拟群组决策过程中多种不同的关系。在Movielens、Last.fm和CAMRa2011数据集上的实验表明UDA 比已有算法取得了显著提升。(3)提出了一种GAGE模型来进行群组活动推荐,将图卷积神经网络和注意力机制应用于EBSN这个异构图中,捕捉图的结构性和相似性,学习各个实体的嵌入向量。设计了一个特征交叉层来学习群组对活动多种上下文特征的偏好。在Meetup数据集中两个城市上的实验表明,GAGE取得了先进的效果。(4)音乐会活动的市场规模大、长尾效应明显,但目前国内市场上缺少音乐会活动推荐软件。因此,本文设计并实现了一个音乐会活动推荐系统,并NCFE算法和GAGE算法应用于本系统中,可以为单个用户或用户群组推荐活动,提升用户体验,提供更多音乐作品变现的可能性。

融合上下文信息的神经协同过滤推荐算法研究与应用

这是一篇关于神经协同过滤,多层感知机,广义矩阵,用户上下文,电影推荐的论文, 主要内容为大数据时代下,“信息过载”问题已严重阻碍互联网用户快速获取所需信息,推荐系统是目前解决该问题的有效方法之一。近年来传统推荐算法已不能满足市场需求,实际推荐系统中常将传统推荐算法与新技术结合使用,如在图片识别领域应用广泛的深度学习技术和挖掘用户所处上下文的上下文感知计算。本文提出融合上下文信息的神经协同过滤推荐模型(TC-Neu CF),并应用于电影场景开发个性化电影推荐系统,帮助用户快速发现喜欢影片,致力于促进推荐算法发展。本文研究工作如下:(1)选取基本推荐模型。本文选取用户历史评分情况作为隐形反馈行为并基于此获取用户偏好。另外分别对基于广义矩阵分解的推荐模型、基于多层感知机的推荐模型和广义矩阵分解及多层感知机结合的混合推荐模型进行实验,以选取最优的基本推荐模型,实验发现相同条件下混合推荐模型效果最佳。(2)混合推荐模型引入时间上下文。考虑到用户所处上下文可以帮助提高推荐精度,本文在混合推荐模型基础上引入时间上下文,实验发现改进模型推荐效果明显优于混合推荐模型。(3)调参以提高推荐效果。本文为提高推荐精度,分别就学习率、推荐长度、迭代次数三个参数进行调参实验,确定最佳参数。本文采用Movie Lens数据集,使用归一化折损累计增益(Normalized Discounted Cumulative Gain,NDCG)、命中率(Hit Rate,HR)两项评价指标对推荐算法的有效性进行评估。实验证明本文所提出的融合上下文信息的神经协同过滤推荐算法的有效性,另外本文所开发电影推荐系统使得该算法得到应用。

基于自注意力机制的协同推荐算法研究

这是一篇关于神经协同过滤,评分与评论,主题模型,自注意力神经网络的论文, 主要内容为随着机器学习概率学派和贝叶斯学派的逐渐统一衍生出了很多的优秀的融合模型,比如用于文本处理的隐狄利克雷分布主题模型。这个模型极大地推动了自然语言处理领域的发展,近年来这个模型被证实在推荐领域中能够改善推荐模型的准确性、缓解数据稀疏性、增强可解释性。同时,注意力机制也从图像处理迁移到自然语言处理任务中,比如使用注意力网络和主题模型结合给用户推荐用户更加喜欢的产品。为了向用户推荐产品,推荐系统需要预测用户会如何回应一个新的产品,所以发现用户的偏好就显得尤为重要。以前基于隐因子向量的内积来预测评分,但是这种方法极度依赖用户评分矩阵的数据稀疏度。真实推荐场景下评分矩阵往往是极为稀疏所以仅仅使用隐因子模型推荐的质量就会下降。对于推荐可解释性,隐因子模型中的因子无法与现实中的属性实体建立关系,所以无法解释系统为什么给用户做出这样的推荐。在分析了大量的用户购买消费场景后,学者们发现有的用户不仅会给商品评分,而且还会写下自己的购物体验,商品满意度等评论信息。基于此,本文提出了一种2-LDA(Double-LDA)主题模型来同时抽取用户潜在主题因子和物品潜在主题因子。将评论信息作为模型输入的一部分以后,相当于给用户建立了更清晰的偏好特征。在数据稀疏的情况下系统仍然可以给用户做出合理的推荐,缓解了数据稀疏带来的推荐性能下降的问题。而且这些主题因子可以和实体属性互相对应,因此待推荐商品也获得较合理的可解释性。本文属于基于模型的推荐算法范畴,所以本文分析了矩阵分解思想的优点和缺陷。矩阵分解通过内积函数预测未知评分,这样预测的评分导致了只捕获了特征因子之间的线性交互的缺陷。因此本文为了弥补这种缺陷引入一种有效的神经协同过滤框架,神经协同可以处理真实的推荐算法场景中大量的非线性的特征。鉴于评论融合评分,本文将评分和评论建立映射函数关系。通过融合评分信息缓解了数据稀疏带来的冷启动问题,并且增强了推荐的可解释性。基于以上内容,本文在第三章提出了双主题神经协同过滤推荐模型(Double Topic Neural Collaborative,DTNC)。DTNC算法较好地解决了数据稀疏导致性能下降和可解释新问题。但是无论是内积还是神经网络,不同的因子进行交互的时候,不同的因子对于用户的重要程度是不同的。传统方法忽略了这种不同。为了解决这个问题,本文引入了一种自注意力机制神经网络改进DTNC模型。在第四章提出一种基于自注意力机制的协同过滤系统(Double Topic Neural Collaborative-Self Attention,DTNC-SA)。为了验证本文的想法和推断,本文在亚马逊电商推荐数据集上实施了大量的实验。从实验结果表明不论是本文提出的DTNC算法或者DTNC-SA算法都明显优于同策略的其他算法,并且本文还给出了这些算法的具体的流程,以及其中涉及到的一些参数推演的理论证明过程。

基于协同过滤和神经网络的推荐算法的研究

这是一篇关于推荐系统,指数平滑预测,注意力机制,协同过滤,神经协同过滤的论文, 主要内容为随着计算机信息科学技术、互联网信息技术和移动互联网络的高速发展,现代通信技术与信息传递手段的逐渐完善成熟,我们正处在“信息过载”的时代。如何在海量的信息中提取出有效的信息并将其提供给用户就成为一个研究热点,由此产生了推荐系统。众所周知,推荐系统将信息和用户进行连接,并在网络购物、通讯等各个领域发挥着十分关键的作用。协同过滤算法是推荐算法中最著名的并且使用最多的算法之一,但是它存在冷启动、矩阵稀疏等问题。神经协同过滤算法是在协同过滤的基础上引入神经网络的一种更高性能的算法,但它跟其他推荐算法一样,在更高稀疏度的数据集上性能会降低。本文针对传统协同过滤算法和神经协同过滤算法中的问题进行研究和改进。本文研究如何解决传统协同过滤算法中的矩阵稀疏问题和神经协同过滤算法在更高稀疏度数据集上性能下降的问题,提高了推荐系统的推荐效果。本文主要完成以下两个方面的工作:第一,针对传统协同过滤算法中的用户-项目评分矩阵的稀疏性较高,导致传统基于项目的推荐算法推荐质量下降这一问题,提出了基于指数预测的协同过滤算法。首先,对目标数据集的用户-项目交互数据进行预处理,根据目标用户和目标项目按时间排列后的历史行为数据分别计算出用户的指数平滑预测值和项目的指数平滑预测值。其次,根据用户和项目的指数平滑预测值计算出每个用户对于每个项目的假设评分值,用该值作为用户-项目评分矩阵的缺失值。最后,使用基于项目的协同过滤算法计算出目标评分预测值。为了验证所提算法的有效性,本文使用Movie Lens-1M数据集来进行实验,最后得出的实验结果证明了新方法的有效性。第二,针对神经协同算法在更高稀疏度的数据集上性能下降的问题,本文提出了基于注意力机制的神经协同过滤算法。首先,对数据集进行预处理,按时间序列排列数据集并提取出每个用户的历史行为序列,之后将历史行为序列和目标项目嵌入向量输入注意力激活单元计算注意力得分。其次,将得到的注意力得分与对应的历史行为项目相乘加权后,和用户嵌入向量还有项目嵌入向量分别输入广义矩阵分解模型和多层感知机模型中进行学习。最后,两个模型的输出结果共同进入输出层得到输出结果并且生成推荐列表给用户。为了验证所提算法的有效性,本文使用Movie Lens-1M数据集和国内淘宝平台开源的用户数据集User Behavior来进行实验,最后得出的实验结果证明了所提方法的有效性和准确性。

神经协同过滤模型的改进及其在推荐系统中的应用

这是一篇关于神经协同过滤,注意力机制,推荐系统,异构信息网络,冷启动的论文, 主要内容为随着信息技术的发展,人们能够获取的信息资源的方式越来越多,面对的信息资源日益丰富,“信息过载”问题日益凸显,导致人们在海量的信息资源面前难以选择自己想要的内容。为了解决上述问题,推荐系统应运而生。推荐系统是解决信息过载问题最为有效的方式之一,它主要根据用户对项目的显隐式反馈信息学习用户的偏好,为用户快速定位自身感兴趣的内容。推荐算法是推荐系统的核心,决定推荐性能的好坏。协同过滤算法是推荐领域使用最为广泛的算法,但该算法面临着数据稀疏、冷启动等问题。尽管基于矩阵分解的协同过滤很好地解决了协同过滤算法的数据稀疏问题,但是在用户与项目的向量的内积过程中存在不足,限制了该模型的表达能力。由于传统推荐算法的局限性,研究者们逐渐探索基于神经网络的协同过滤,神经协同过滤算法正是其中的研究成果之一。尽管神经协同过滤模型在性能上要优于传统的推荐模型,但是该模型在辅助信息的使用方面以及信息特征抽取方面存在不足。神经协同过滤模型使用用户与项目历史行为信息,生成嵌入特征,通过多层感知机模拟用户与项目的交互,解决了一些传统的推荐算法的不足。尽管在性能上有所提升,但是该算法使用的特征信息较为单一,只使用了用户与项目的交互信息,而没有使用其他的辅助信息。辅助信息如用户与项目的属性标签信息对提高模型个性化推荐性能以及缓解系统冷启动具有重要作用,若能将这些信息引入至神经协同过滤模型中,则可以使神经协同过滤模型的推荐性能更好、推荐可解释性更强。针对上述不足,本文将用户与项目的属性标签信息引入至神经协同过滤模型中,提出融合多种信息特征的神经协同过滤模型。通过研究发现,神经协同过滤模型融合多种信息特征之后会产生如下不足:模型的参数与收敛时间增加、模型无法很好地挖掘多种信息特征、模型对特征信息视为同等重要,消解部分有价值的信息。针对上述问题,本文对神经协同过滤模型做出进一步改进,提出融合异构信息网络嵌入特征与注意力机制的神经协同过滤模型AHINNCF。本文将用户与项目有效的属性信息统一转换为标签信息形式,通过构建用户与项目及其各自的属性标签信息的异构信息网络,使用基于元路径随机游走的网络表示学习算法metapath2vec进一步挖掘多种属性信息的特征,与神经协同过滤模型相融合,提升模型性能。并在模型中引入注意力机制网络,以解决模型对多种特征视为同等重要,导致有价值的特征信息被消解的问题。本文使用两个公开数据集Movie Lens-1M和Pinterest分别在一般场景、模拟冷启动场景以及收敛速度方面对该模型进行实验。实验结果表明,本文提出的模型AHINNCF要更加优越。在一般场景下,模型AHINNCF的性能平均提升2.5%。在模拟冷启动场景下,模型AHINNCF的性能提升3%-10%。在模型收敛速度方面,模型AHINNCF的收敛速度更快。综上所述,本文提出的模型AHINNCF要优于神经协同过滤模型。最后,本文结合改进的神经协同过滤模型与用户的实际需求设计并开发综合相关在线学习平台课程信息的推荐系统,以缓解因海量课程信息资源给学习者带来的信息过载等相关问题。

融合知识图谱与神经协同过滤的图书推荐系统

这是一篇关于图书推荐,知识图谱,神经协同过滤,推荐系统的论文, 主要内容为书籍是人类智慧的结晶,亦是人类进步的阶梯,读书已成为人们的一种生活方式。随着互联网的飞速发展和大数据的兴起,网上可供人们选择的图书种类和数量越来越丰富,人们想要找到自己想要的图书往往需要花费大量的时间和精力。传统的图书推荐算法依赖通过用户-图书评分矩阵计算相似度的方式为用户进行推荐,然而随着用户与图书数量的暴增,传统图书推荐算法存在着数据稀疏、特征挖掘不充分等问题。知识图谱是以三元组的形式将各个实体通过关系联结的语义网络,里面包含大量的知识。本文围绕融合知识图谱与神经协同过滤的图书推荐算法展开研究,将图书知识图谱作为辅助信息引入至图书推荐任务中,缓解数据稀疏性问题,利用神经协同过滤模型代替简单的内积,充分挖掘用户与图书间的特征交互,并最终为用户搭建出一套个性化图书推荐系统。本文的主要研究内容如下:(1)构建图书知识图谱。首先明确图书领域的实体属性和属性值域,构建图书领域的本体库,其次通过爬虫手段获取构建知识图谱所需的图书数据信息,定义图书知识图谱的节点和关系,最后利用Cypher语句创建图书知识图谱的节点与关系,并将创建好的知识图谱存入图数据库Neo4j中。(2)提出一种融合知识图谱与神经协同过滤的图书推荐模型。首先根据多任务学习的思想将图书推荐和图书知识图谱嵌入视作两个相对独立的模块;其次利用交叉压缩单元将图书推荐模块中的项目特征和图书知识图谱嵌入模块中的实体特征进行信息融合;利用神经协同过滤模型挖掘用户与图书间潜在的特征交互;最后,设计对比实验验证模型的性能和在数据稀疏场景下模型的表现。(3)设计与实现图书推荐系统。首先,本系统架构采用经典的前后端分离B/S架构,数据库方面采用多种数据库组合的方式进行数据存储,关系型数据库MySQL存储普通图书数据,缓存Redis存储刷新请求频繁的数据,图数据库Neo4j存储图书知识图谱;然后开发实现用户注册/登录、用户收藏、图书检索、图书推荐等功能;最后完成系统的各个功能模块的测试,确保系统的稳定运行。